【技术实现步骤摘要】
本申请涉及数据处理，特别涉及一种特征线的匹配方法、系统、车辆、介质及设备。
技术介绍
1、空间中物体的定位，是自动驾驶车辆与3维地图对应程度的重要体现，在自动驾驶车辆在行驶过程中，准确的定位信息能够使得自动驾驶车辆对环境的感知更加准确。
2、在地库中进行定位的过程中，首先需要进行特征的提取，而相对于特征点的提取而言，特征线由于能够矢量化，并且线特征对应的描述符的信息更为丰富，能够体改后续匹配的准确率，基于特征线的定位方式更受关注。
3、在现有技术中，根据传统技术的更新迭代，目前最优的定位方式是将superpoint(具有简单清晰结构的特征提取任务网络)结构与superglue(基于图卷积神经网络的特征匹配方法)结合的方式，该方式采集的特征线其鲁棒性强，不受外在环境变化的影响，并采集的特征线比较均匀；但同时该方式也存在一定的缺陷，利用superpoint结构获取的特征线对应的描述符较大，会导致定位图层过大，superglue结构多采用暴力匹配的方式在匹配的精度还存在一定的缺陷。
技术实现思路
1、针对现有技术存在的特征线对应的描述符较大，导致定位图层过大以及匹配的精度还存在一定的缺陷的问题，本申请主要提供一种特征线的匹配方法、系统、车辆、介质及设备。
2、为了实现上述目的，本申请采用的一个技术方案是：提供一种特征线的匹配方法，其包括：对多个相机实时分别拍摄到的图片进行图像拼接，获取图片对应的全景拼接图，其中图片中的图像信息为同一楼层不同角度的环境信
3、可选地，利用预设的深度学习模型对全景拼接图特征降维，获取全景拼接图中特征线对应的降维描述信息，包括：在深度学习模型中提取全景拼接图的特征线的描述信息；对描述信息进行特征降维，获取降维描述信息。对每一特征线对应的描述信息进行特征降维，使得每一特征线对应的描述信息的数据量减小，获取每一特征线分别对应的降维描述信息；从而使得内存的占用量减小，系统的运算量减小，运行效率加快。
4、可选地，对描述信息进行特征降维，获取降维描述信息，包括：根据预设的降维范围，将描述信息的数据量压缩到降维范围内，获取降维描述信息。通过无损压缩的方式使得描述符占用的内存空间变小，并且由于无损压缩因此在压缩后并不会对后续匹配的精度造成影响。
5、可选地，对降维描述信息进行量化，获取降维描述信息对应的量化描述信息，包括：根据预设的量化类型，对降维描述信息进行数据类型转换，获取与量化类型一致的量化描述信息。实现进一步减少降维描述信息的数据量，从而使得内存的占用量进一步减小，系统的运算量进一步减小，运行效率进一步加快。
6、可选地，对描述信息进行特征降维，获取降维描述信息，利用量化描述信息在预建立的3维地库特征线地图中对特征线进行匹配，确定特征线在3维地库特征线地图中的3维地图线，包括：利用预设的图神经网络模型对3维地库特征线地图中各个3维特征线的数据量分别进行转换，获取3维特征线对应的地图描述信息，其中地图描述信息的数据量与数据类型与量化描述信息一致；计算每一地图描述信息分别与量化描述信息之间的相似程度；当相似度大于预设相似阈值时，判定匹配成功，并将地图描述信息对应3维特征线作为3维地图线。本申请采用图神经网络模型的方式，对预建立的3d地库特征线地图与降维特征信息进行匹配，其中图神经网络模型的匹配相当于在传统的superglue结构的基础上进行轻量化，使得superglue结构的输入层能够接收32float和、或int8类型的信息。并且利用图神经网络模型进行匹配的精度并无太大变化。
7、可选地，利用预设的图神经网络模型对3维地库特征线地图中各个3维特征线的数据量分别进行转换，获取3维特征线对应的地图描述信息，包括：在图神经网络模型中，分别提取3维特征线的描述信息；根据预设的降维范围将3维特征线的描述信息的数据量压缩到降维范围内，获取3维特征线的降维描述信息；根据预设的量化类型，对3维特征线的降维描述信息进行数据类型转换，获取与地图描述信息。
8、第二方面，本申请实施例提供一种特征线的匹配系统，其包括：图片拼接模块，对多个相机实时分别拍摄到的图片进行图像拼接，获取图片对应的全景拼接图，其中图片中的图像信息为同一楼层不同角度的环境信息，相机装载在车辆的周围；特征线降维模块，利用预设的深度学习模型对全景拼接图特征降维，获取全景拼接图中特征线对应的降维描述信息；特征线量化模块，对降维描述信息进行量化，获取降维描述信息对应的量化描述信息；以及特征线匹配模块，利用量化描述信息在预建立的3维地库特征线地图中对特征线进行匹配，确定特征线在3维地库特征线地图中的3维地图线。
9、第三方面，本申请实施例一种车辆，其特征在于，车辆包括上述方案中的特征线的匹配系统，其中特征线的匹配系统包括：图片拼接模块，对多个相机实时分别拍摄到的图片进行图像拼接，获取图片对应的全景拼接图，其中图片中的图像信息为同一楼层不同角度的环境信息，相机装载在车辆的周围；特征线降维模块，利用预设的深度学习模型对全景拼接图特征降维，获取全景拼接图中特征线对应的降维描述信息；特征线量化模块，对降维描述信息进行量化，获取降维描述信息对应的量化描述信息；以及特征线匹配模块，利用量化描述信息在预建立的3维地库特征线地图中对特征线进行匹配，确定特征线在3维地库特征线地图中的3维地图线。
10、第四方面，本申请实施例提供一种计算机可读存储介质，其存储有计算机指令，该计算机指令被操作以执行上述方案中的特征线的匹配方法。
11、第五方面，本申请实施例提供一种计算机设备，其包括：至少一个处理器；以及与至少一个处理器进行通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的计算机指令，至少一个处理器操作计算机指令以执行上述方案中的特征线的匹配方法。
12、第五方面，本申请实施例提供一种计算机设备，其包括：至少一个处理器，处理器和存储器耦合，存储器存储有计算机指令，其特征在于，计算机指令以执行方案一中的特征线的匹配方法。
13、第六方面，本申请实施例提供一种计算机程序产品，其包含计算机指令，该计算机指令被操作以执行上述方案中的特征线的匹配方法。
14、对于本文档来自技高网...
【技术保护点】
1.一种特征线的匹配方法，其特征在于，包括：
2.根据权利要求1所述的特征线的匹配方法，其特征在于，所述利用预设的深度学习模型对所述全景拼接图特征降维，获取所述全景拼接图中特征线对应的降维描述信息，包括：
3.根据权利要求2所述的特征线的匹配方法，其特征在于，所述对所述描述信息进行特征降维，获取所述降维描述信息，包括：
4.根据权利要求1所述的特征线的匹配方法，其特征在于，所述对所述降维描述信息进行量化，获取所述降维描述信息对应的量化描述信息，包括：
5.根据权利要求1所述的特征线的匹配方法，其特征在于，所述对所述描述信息进行特征降维，获取所述降维描述信息，利用所述量化描述信息在预建立的3维地库特征线地图中对所述特征线进行匹配，确定所述特征线在所述3维地库特征线地图中的3维地图线，包括：
6.根据权利要求5所述的特征线的匹配方法，其特征在于，所述利用预设的图神经网络模型对所述3维地库特征线地图中各个3维特征线的数据量分别进行转换，获取所述3维特征线对应的地图描述信息，包括：
7.一种特征线的匹配系统，其特征在
8.一种车辆，其特征在于，所述车辆包括如权利要求7所述的特征线的匹配系统。
9.一种计算机可读存储介质，其存储有计算机指令，其特征在于，所述计算机指令被操作以执行权利要求1-6中任一项所述的特征线的匹配方法。
10.一种计算机设备，其特征在于，包括：
...【技术特征摘要】
1.一种特征线的匹配方法，其特征在于，包括：
2.根据权利要求1所述的特征线的匹配方法，其特征在于，所述利用预设的深度学习模型对所述全景拼接图特征降维，获取所述全景拼接图中特征线对应的降维描述信息，包括：
3.根据权利要求2所述的特征线的匹配方法，其特征在于，所述对所述描述信息进行特征降维，获取所述降维描述信息，包括：
4.根据权利要求1所述的特征线的匹配方法，其特征在于，所述对所述降维描述信息进行量化，获取所述降维描述信息对应的量化描述信息，包括：
5.根据权利要求1所述的特征线的匹配方法，其特征在于，所述对所述描述信息进行特征降维，获取所述降维描述信息，利用所述量化描述信息在预建立的3维...
【专利技术属性】
技术研发人员：朱敏峰，
申请(专利权)人：魔门塔苏州科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。